基于卷积神经网络的图像语义分割

近年来,深度学习的发展非常迅速,计算机视觉领域的发展也随之迎来一波热潮。深度卷积神经网络已经被证实是计算机视觉领域非常有效的手段和方法。同时,在日常生活中,无论是物品的识别检测,还是视频监控流数据分析都离不开计算机视觉。而图像语义分割被认为是计算机视觉领域最基本的算法,图像语义分割的好坏直接决定了后续算法分类或者识别的优劣。因此,一个有效的图像语义分割算法的实现和应用具有非常重要的现实意义。传统的图像分割方法大部分是基于图像本身的特征提取,需要先在图像上生成不同的区域,再在区域上提取特征,对区域进行分类合并才能得到最终语义分割的结果,过程比较复杂,并且效果也有很大的提升空间。因此,人们对提高图像语义分割算法的效率和效果是具有现实需求的。那么,随着深度学习持续升温,并且实践中证明深度卷积神经网络对图像特征的提取具有很大的优势。因此,如何将卷积神经网络应用到图像语义分割并提高图像语义分割算法的效果是当前一大研究热点。本文充分调研相关工作之后,将卷积神经网络应用到了图像语义分割领域,构建并实现了卷积神经网络和反卷积层神经网络相结合的深度神经网络结构,直接对图像在像素水平上进行预测其所属的语义类别。采用两阶段的模型训练方法,进一步优化结果和算法效率。通过与经典算法的对比实验,说明该方法的有效性。最终将该算法模型应用到了医学图像分析(用于心脏病变的检测)和人体衣物分割(用于穿衣搭配)领域,均取得了较好的效果。